本字幕由TME AI技术生成
嘿 大家好
我是吉o
今天是二零二六年三月二十四号
星期二
今天早报内容比较多
先说几个最值得展开聊的
黄仁勋上了lex
Freedman 的博客
做了一个好几个小时的深度访谈
把nvidia 的ai 战略从底层逻辑到工程哲学讲了一遍
科尔发了一篇很硬核的技术文章
讲他们怎么给ai 智能体造了一个毫秒级的搜索引擎
然后esropy 一口气放了两个大动作
让cloud 直接操作你的电脑
同时发了一篇研究指南
讲怎么让ai 连续工作好几天
我们从黄仁勋聊起
黄仁勋这次和lex
Freedman 的对谈聊得很深
不是那种泛泛的行业展望
而是真正在拆解nvidia 怎么一步步走到四万亿美元市值的
有几个核心观点我觉得值得单独拿出来说
第一个
计算的基本单位已经变了
黄仁勋说
以前算力的单位是一个gpu
后来变成一台服务器
再后来变成一个集群
现在已经变成了一整座ai 工厂
什么意思呢
就是现代ai 的问题规模已经远超单颗芯片的能力
必须把芯片
网络 电力 散热
软件作为一个整体来设计
他把这叫做极限协同设计
通过机架级的联合优化来突破传统的性能瓶颈
这个思路其实很值得做产品的人借鉴
就要只优化单个环节
而是要看整个系统的瓶颈在哪里
第二个
他系统的提出了ai 的四大扩展定律
除了大家熟悉的预训练扩展
还有后训练扩展
就是用合成数据和人类反馈来提升质量
测试时扩展就是在推理的时候投入更多算力
让模型多想一会
他说了一句很精辟的话
推理就是思考
而思考比阅读难得多
测试式扩展本质上就是在思考
还有智能体扩展可以成倍复制数字员工来并行处理任务
这四个定律放在一起看
说明算力的需求不是在放缓
而是在沿着多条路径同时增长
第三个关于nvidia 的护城河
他很直接的说
装机量定义了一个架构
而是一切都是单优的
Sodd 的成功不是因为技术多优雅
而是通过g four 显卡把cuda 普及到了消费级市场
超过四千万开发者在用
这种生态一旦建立起来
迁移成本极高
所以他才说nvidia 是difalce 建起来的房子
还有一个细节我觉得很有意思
就是他的管理方式
黄仁勋有超过六十个直属下属
扁平化到了极致
他的工程哲学是对比物理极限来评估每一项设计
追求复杂到刚刚必要
但尽可能简单
这种从第一性原理出发的思维方式
和他对ai 扩展定律的判断是一致的
这个访谈值得完整看一遍
链接在简介里
说到工程化能力
Cursa 这次发的文章也很难打
他们讲的怎么实现毫秒级的政策搜索
叫instant grab
先说背景
Ai 智能体写代码的时候特别依赖搜索
需要不断的在代码库里找上下文
小项目没问题
但如果是大型单体仓库
几百万行代码
用传统的rib grap 扫描所有文件就会遇到瓶颈
搜索太慢
直接拖慢ai 的工作效率
Cursa 的方案是建一个本地的稀疏n 检索索核
核心思路不需要对所有文本都建索引
只对那些稀有的字符组合建索引就够了
用字符对的出现频率做权重
频率低的组合被选为索引点
因为这些稀有片段能更有效的缩小搜索范围
两个关键设计
第一
索引跑在用户本地
避免网络延迟
保证数据隐私
更重要的是graa i 修改代码后
索引能立刻更新
不会基于过时信息搜索
第二
索引状态锚定在git 提交上
加上一个本地变更层
用内存映射实现快速查找
内存占用很小
这篇和科塞上周发布的composer 二放一起看也很有意思
Composer 二是他们的新一代编程模型
通过持续预训练和强化学习
在各项基准测试上比前代提升很大
能处理需要数百个连续动作的任务
I instant grab 加compose 二
等于让ai 技能搜得快又能响的深
科塞在ai 编程工具这个赛道上的工程化能力确实值得关注
接下来聊anstropc 的两个大动作
先说close 的电脑操作功能
Anthropic 发布了研究预览版
叫cloud co worwork
允许cloud 直接控制你的michael s 电脑
不是简单的文件读写
是真正操作应用程序
浏览网页
填电子表格
在不同应用之间切换来完成任务了
Alten space 最近采访了co work 的负责人phlix x eeberg
就是之前sllack 桌面应用维护electron 的那位
他提能个关键键观察多人做cloud code
用来处理各种杂活
不只是写代码用如整理文档
做数据分析这些知识工作
用户真正需要的不是更聪明的聊天机器人
就是能帮你干活的助手
所以co work 的设计理念就很清楚
Phillix 说了
一句话我印象深
Ai 产品的前沿已经不是更好的聊天界面
而是可信的任务执行
他还提到
因为执行成本变得足够低
团队可以直接构建多个候选方案然后测试
不需要提前堵一个方向
技术上
Co work 走的是本地优先路线
Ai 在你自己的电脑上工作
不需要把数据传到云端
Nns ropc 还引入了dispatch 功能
手机和电脑之间无缝切换同一个对话
你在手机上给cloud 布布置任
Cloud 在电脑上自主完成
随时随地都能给ai 派活
同一天
Nn thropc 开发了另一篇重要的研究文章
讲怎么让ai 完成长程任务
就是那种需要连续工作几天甚至几周的大型项目
他们分享了一个案例
用单claude 能体重新新实现了一个宇宙数数值解解器
精度达到百分零零点一以内
几个键键方法
第一
单智能体顺序建模
没有用多个ai 行行行
是让一个ai 顺顺序执行
需要的时候在派生子任务
因为深度偶合的技术工作早期决策会急连影响后面所有步骤
第二
持久记忆系统
用cloud md 作为项目指令
Ai 随时参考和更新
用change log md 记录进度
特别是失败的尝试和原因
防止ai 反复踩同一个坑
同时用git 做版本控制
每完成一步就提交
方便回滚和异步检查
第三
必须有明确的验证机制参考
实现可量化的指标或者测试套件
没有清晰的成功标准
Ai 很容易跑偏
还有一个有意思的模式叫raf loop
就是反复问ai
你真的做完了吗
因为ai 有一种倾向叫agently claziness
会过早宣传任务完成得反复确认
直到真正达标
研究者形容说
看ai 的提交记录就像在看一个超级字面化的博士后的实验笔记
它能持续推进目标
但会犯领域专家一眼就能看出来的低级错误
把cowork 和长程任务放一起看
Anththropic 的方向很清楚
因为ai 从计时对话走向自主完成复杂任务
好
接下来快速过几条也值得关注的
天猫技术团队分享了一个实践
叫知识基座
解决的问题是ai 不懂业务怎么办
他们通过信号驱动自动捕获团队的隐性经验
Ai 在和开发者协作时
系统自动识别报错否定表达
反复调试这些信号
从百分之一的关键会话中提炼踩坑记录和方案选型
通过云端配置中心自动下发到每个人的ide
核心理念是一人踩坑
全员避雷
这个方案对于有一定规模的研发团队来说很值得参考
Smn wilson 演示了怎么用cloud skills 让ai 学习starlet 一点零的新api
Starlet 是fast api 的基础框架
一点零有一些破坏性变更
模型训练数据里只有旧版本代码
Simon 用cloud scale 减create 克隆了starlet
仓库自动生成skalls 文档之后
Clode 就能准确生成符合新api 的代码了
这提供了一个实用的范式
怎么让ai 跟上快速迭代的技术生态
Linnis poadcast 请了jessffan 聊产品经理最组可能ai 替代的核心能力
他的结论是高管影响力
Ai 能处理越来越多执行层面的工作
但能和领导层对齐思维
在组织中推动变革的能力反而更稀缺
这个判断我觉得不只适用于产心能力
对做技术的人也一样
Github 引入了ai 驱动安安检测功能作为cocoq q 的补充
亮点是覆盖范围扩展
展到shshstarlet 和teleform 这些基础设施
代码直接集成在prll request 的工作流中
得物技术写了一篇关于cloud code 加open spect 的深度文章
核心观点是ai 编码的瓶颈已从模型能力转向上下文管理和意图对齐
他们提出规格驱动开发
在写代码之前
先由人和ai 共同锁定规格文档
这和nsrr pic 推的cloud md 理念一脉相承
最后一条
腾讯科技发了一篇思辨文章
讲ai 智能体对传统经济学的冲击
核心观点是
当智能体把交易成本降到接近零
科斯定理就不成立了
公司为什么存在
平台为什么有价值
价格机制怎么运作
这些基础问题都要重新想
还有一个锐利的观点
当数亿智能体共享同一个底层模型的逻辑价格信号可能不再反映人类的真实需求
这篇值得花时间细读
好
今天就聊到这里
今天有个贯穿的主题
就是ai 正在从被动回答走向主动执行
不管是黄仁勋描述的ai 工上cursor 为智能体优化的搜索基础设施
还是anthropic 让clode 操作电脑和完成长程任务
都指向同一个方向
Ai 正在变成一个能真正帮你干活的搭档
所有链接都在简介里
感兴趣的可以看看原文
明天见